Statistical Analysis for the Unit Exponential Distribution Under Ranked Set Sampling with Applications to Engineering Data
Notice bibliographique
Résumé
In numerous research endeavors, cost-effective sampling is paramount, particularly when measuring the feature of interest is costly, intrusive, or requires a lot of time. Ranked set sampling (RSS) offers a valuable approach to optimize observational efficiency and enhance data collection. The two-parameter unit exponential distribution (UED) has emerged as a valuable tool for analyzing asymmetrical complex datasets. Its density function can exhibit various right-skewed and left-skewed shapes, making it well-suited for modeling a wide range of data. In this study, RSS is used to investigate the performance of ten classical estimation techniques for the UED parameters. Using a variety of accuracy criteria, the suggested RSS-based estimators’ performance was compared to that of simple random sampling (SRS) through a simulation study. Partial and overall rankings of the estimators were computed to identify the best estimate approach. As evidenced by simulation studies, the maximum likelihood and maximum product spacing methods demonstrate significant promise in accurately assessing the estimated quality of RSS and SRS, respectively. Due to its higher efficiency compared to SRS, RSS demonstrates superior performance in terms of mean squared error and other relevant metrics. Two practical implementations support our findings. The first set of data examines the performance and dependability of 20 components by focusing on their failure times. The second data explores the proportion of crude oil converted to gasoline, assessing its efficiency in the refining process. By effectively analyzing both failure time data and the proportion of crude oil data, industries can make informed decisions, improve efficiency, and optimize their operations.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».